一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法技术

本发明专利技术属于机械零部件故障诊断技术领域，具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明专利技术所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。

A fault diagnosis method of bearing under different working conditions based on fast kurtogram and deep residual learning

【技术实现步骤摘要】
一种基于fastkurtogram和深度残差学习的变工况轴承故障诊断方法
本专利技术属于机械零部件故障诊断
，具体涉及一种基于fastkurtogram和深度残差学习的变工况轴承故障诊断方法。
技术介绍
滚动轴承是旋转机械的关键部件之一，也是最易损坏的部件(40％以上的故障是由轴承引起的)。因此，实时监测轴承的健康状态，对避免意外故障具有重要意义。为了实现这一目标，现有技术围绕经典信号处理方法(如频谱分析、倒频谱分析、小波包分解)提出了许多方法，但这些方法存在共同的缺陷：对变化的工况缺乏鲁棒性。这些方法在已知的工况下，可实现实时诊断，然而在实际的工业生产中，不同的工况下工作负荷和转速往往是不同的，当工况发生变化时，缺陷特征频率也会发生变化，因此不得不调整方法以适应新的工况，而若新的工况参数未知，则难以完成诊断任务。此后，一些多工况诊断方法被陆续提出：冯志鹏等人提出了利用联合时变幅频解调谱来揭示时变故障特征频率，但该方法需要事先了解所经历的工况条件；P.Borghesani等人提出了一种新的利用包络分析诊断的新方法，但需要事先了解轴承的缺陷频率,但在实际应用中，工况变化频繁，在大多数情况下很难获得具体的工况参数，因此这些多工况诊断方法也难以应对。此外，信号中无法避免的噪声也会对诊断产生影响。因此，理想的故障诊断算法应具有以下特点：为了实时诊断轴承的健康状态，该方法应具有较高的自动化程度；该方法应能够在噪声环境下进行诊断；该方法应能够在可变和未知的工况下进行诊断。
技术实现思路
针对上述技术问题，本专利技术提供一种基于fastkurtogram(快速谱峭度图)和深度残差学习的变工况轴承故障诊断方法，该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本专利技术所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。本专利技术是通过以下技术方案实现的：一种基于fastkurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，所述方法包括：(1)数据分割与扩充：根据采样频率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始振动数据进行分割；采用重叠抽样的方法进行数据扩充，以增加样本数量；其中，所述原始振动数据是指从轴承试验台上利用加速度计采集的振动加速度信号，包含健康轴承及各种故障状态下轴承的数据；(2)使用快速谱峭度图将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像；在这个过程中，冗余的原始信号被简化，瞬态信号也被突出显示出来；(3)数据集的建立：对生成的谱峭度图进行压缩并分组，建立数据集；所述数据集包括训练集、测试集和验证集；(4)基于深度残差学习的故障诊断：构建残差神经网络，并利用数据集训练所述深度残差网络，赋予所述深度残差网络具有轴承健康状态诊断能力，即得到训练完成的轴承健康状态分类模型，然后利用训练后的深度残差网络对变工况下的轴承状态进行诊断。进一步地，在步骤(1)中，在确定样本容量时，确保在最低转速下样品也包含至少10个完整旋转周期的数据，以确保样本的完整性和代表性。进一步地，在所述步骤(2)中，使用快速谱峭度图将振动加速度信号转换成谱峭度图，将快速谱峭度图算法作为特征提取方法，在进行特征提取时，将谱峭度图整体作为信号中提取的特征，以使提取的特征基本不受噪声干扰，且同一故障在不同运行条件下的快速谱峭度图具有高相似性。本专利技术所述方法在特征提取方面，受快速谱峭度图算法的启发，将此瞬态检测器作为特征提取方法。对于谱峭度图的利用并非只是寻找信号中瞬态冲击信号所在频段，而是将谱峭度图整体作为信号中提取的特征，充分利用其优势，提取的特征基本不受噪声干扰，且同一故障在不同运行条件下的快速谱峭度图具有相当高的相似性。利用这种方法，获得了一种对噪声和工况都具有较好鲁棒性的故障特征提取方法。进一步地，步骤(3)中，谱峭度图压缩方法为：将每个样本生成的快速谱峭度图压缩为32*32像素的图片，在充分保留原谱峭度图完整信息的基础上降低数据量，以节约网络训练时间，减小训练计算量，降低对计算机的算力要求。进一步地，步骤(3)中，完成谱峭度图的生成及压缩后，按照数据所对应的轴承健康类型、工况进行分组，制成数据集。所述轴承健康类型包括正常及多种严重程度的多个类型的故障，具体地，所述轴承健康类型包括正常状态、内环故障、外环故障和滚动体故障，每种故障都包含不同的故障严重程度，如:0.007英寸、0.014英寸和0.021英寸。所述工况包括马力和每分钟转数。进一步地，深度残差神经网络在训练过程中结构是不发生变化的，残差神经网络的最后一层在训练时和训练后都存在的，步骤(4)基于深度残差学习的故障诊断中，在残差神经网络的最后一层中采用Softmax函数：式中，vi是上一层的输出，i表示类别索引，总的类别个数为K，K代表轴承健康状态的类别数量，Softmax函数将多分类的输出值通过比值的方式转化为Pi，Pi是一个取值范围为(0,1)的数，由此Pi能够视为一个相对概率，代表推断是轴承状态的相对概率。本专利技术的有益技术效果：(1)本专利技术所述方法受快速谱峭度图算法的启发，在特征提取中，将快速谱峭度图算法这一本来用于检测信号中的瞬态成分的方法用作特征提取的方法。生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性，这些特性增强了本方法对噪声和不同工况的鲁棒性。(2)在分类器方面，本专利技术所述方法采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。与人工神经网络、支持向量机、模糊推理等传统的机器学习方法相比，深度学习方法能够学习更多更复杂的特征。利用这种特性，将不同工况下的包含噪音的原始数据经过加工制成数据集，可以指导深度残差网络学习到受噪声和工况变化影响较小的特征。(3)本专利技术方法是基于数据驱动的，不需要建立复杂的数学模型即可完成轴承故障诊断任务，而且即便面对工况变化、噪音干扰，也可自动完成诊断，能够大幅度降低对于使用人员的专业知识要求，对于工业化应用具有重大意义。附图说明图1是本专利技术实施例中基于快速谱峭度图和深度残差学习的变工况旋转机械故障诊断方法的整体步骤流程图；图2是本专利技术实施例中重叠采样的数据增强方法示意图；图3是本专利技术实施例中保持数据集独立性的数据剔除示意图；图4是本专利技术实施例中一个快速谱峭度图；图5是本专利技术实施例中快速谱峭度图的压缩本文档来自技高网...

【技术保护点】
1.一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，所述方法包括：/n(1)数据分割与扩充：根据采样频率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始振动数据进行分割；采用重叠抽样的方法进行数据扩充，以增加样本数量；其中，所述原始振动数据是指从轴承试验台上利用加速度计采集的振动加速度信号，包含健康轴承及各种故障状态下轴承的数据；/n(2)使用快速谱峭度图将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像；/n(3)数据集的建立：对生成的谱峭度图进行压缩并分组，建立数据集；/n(4)基于深度残差学习的故障诊断：构建残差神经网络，并利用数据集训练所述深度残差网络，赋予所述深度残差网络具有轴承健康状态诊断能力，即得到训练完成的轴承健康状态分类模型，然后利用训练后的深度残差网络对变工况下的轴承状态进行诊断。/n

【技术特征摘要】
1.一种基于fastkurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，所述方法包括：
(1)数据分割与扩充：根据采样频率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始振动数据进行分割；采用重叠抽样的方法进行数据扩充，以增加样本数量；其中，所述原始振动数据是指从轴承试验台上利用加速度计采集的振动加速度信号，包含健康轴承及各种故障状态下轴承的数据；
(2)使用快速谱峭度图将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像；
(3)数据集的建立：对生成的谱峭度图进行压缩并分组，建立数据集；
(4)基于深度残差学习的故障诊断：构建残差神经网络，并利用数据集训练所述深度残差网络，赋予所述深度残差网络具有轴承健康状态诊断能力，即得到训练完成的轴承健康状态分类模型，然后利用训练后的深度残差网络对变工况下的轴承状态进行诊断。


2.根据权利要求1所述一种基于fastkurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，在步骤(1)中，在确定样本容量时，确保在最低转速下样品包含至少10个完整旋转周期的数据，以确保样本的完整性和代表性。


3.根据权利要求1所述一种基于fastkurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，在所述步骤(2)中，使用快速谱峭度图将振动加速度信号转换...

【专利技术属性】
技术研发人员：王志鹏，耿毅轩，马慧茹，贾利民，周莹，童磊，秦勇，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11